历经四月的漫长等待，DeepSeek的多模态视觉模型「deepseek-v4-flash-vision-exp」总算正式亮相。
作为首批体验者，笔者也随即进行了连夜实测。
与V4 Flash相比，最重要的升级莫过于实现了原生的图像输入功能，只是图像生成能力暂时尚未涉及。
从基础图像识别的测试结果看，其表现与内测版网页产品基本持平，似乎就是采用的同一套模型。
但在Agent类任务中，这双「眼睛」却展现出了非凡的威力。
从纯文本处理能力来看，DeepSeek-V4-Flash-Vision-Exp的Agent、推理和知识储备方面与V4-Flash正式版不相上下。
值得关注的是，在需要多模态能力的Agent基准测试里，该视觉模型相比V4-Flash实现了显著提升！
性能甚至逼近了「Opus-4.8」的水准。
官方随之发布了若干演示案例。
首当其冲的是PPT制作，这是最能考验视觉理解能力的办公场景，没有「眼睛」的AI凭空作画确实有点勉强。
此外用该模型对DeepSeek官网进行了创意改造，毛玻璃UI搭配动效的表现力确实圈粉不少，倘若能合并到主分支就更完美了（此处为调侃）。
最后展示了黏土艺术风格的前端作品，比起前两个案例显得更灵活生动，可谓是该模型审美品味的完美诠释。
当前，该视觉模型已对外开放API调用，收费水准与flash版保持一致。
在API体系中，上传的图像被转化为token后按量计费，单张图片最大占用384个token。
以「高峰时段且缓存未命中」的最高价格计算，人民币换算下来每张图的费用约为0.12分。
也就是说，即使每张图都达到384token的上限，一分钱从理论上足以处理约9张图像。
同等条件下，Image 2单张图像的费用高达2.06分，是DeepSeek的将近二十倍。
故事远未结束。
DeepSeek Harness也随之迎来了版本升级，正式加入了对「第一方」多模态模型的原生支持。
用户现在可以直接在最新版DSH中选用这款视觉模型。
不得不说，模型与工具同步上线，可谓是全套一条龙服务。
（此处为调侃）
这个配合显然经过了周密规划，毕竟多模态模型与Harness相结合，能够开启许多新的应用场景。
DeepSeek视觉模型实际应用体验
基于上述进展，笔者也用DSH与Vision模型的组合进行了实际测试。
这样做还满足了一个心愿：早前DSH初推时就想用DeepSeek与Codex展开对标，但因为前者缺乏视觉能力，直接对比显得不太公平。
现在总算可以让它按照图片指示来雕琢「牛来」的形象了。
模型自主安装了Blender软件，全程耗时较长，过程中通过多轮截图进行了反复迭代调整。
最终的成品效果如下——
效果确实令人满意，尽管耗时较长，但最后呈现的光影质感相当精良。
随后的前端任务中，它用Canvas技术手绘了一个宇宙主题的演示，支持点击生成UFO元素，最终效果同样可圈可点。
至于其他Agent能力官方已有详细展示，这里重点关注其基础图像识别的表现。
选取了三代蜘蛛侠同框的照片作为测试素材，特意选择了侧面视角以增加难度。
谁知道模型只用约两三秒就给出了答案，看来这类图片已被充分训练。
「需要网络搜索支持的任务虽然也能处理，但速度相对缓慢」。
对《牛来》剧照的识别，该模型进行了多轮循环搜索，费时三分多钟才最终给出结果。
但网页版本的处理速度快了许多，说明简单识图任务其实无需过多的工具调用。
「遗憾之处在于数字手指的识别仍有不足」，这是当下多模态模型的普遍短板，初次对话往往固执地判断为五根手指。
综合来看，就识图能力而言，API版本与网页版本的性能表现并无显著差异。
但若与Harness和Max推理组合使用，该模型确能支撑更多复杂的应用场景。
那四个月的期待…
说实话，自从今年进入Agent时代以来，业界一直在期待DeepSeek何时推出多模态功能。
无奈的是，众所周知DeepSeek的目标直指AGI，并未计划在多模态领域投入过多资源，所以这个功能一延再延。
然而对于前端开发这样的工作而言，缺乏视觉能力确实严重制约了反馈和迭代的效率！
图像生成功能倒是可有可无，但作为AI助手总不能是文盲吧。
Codex在这点上优势明显，已与产品充分整合，能够直接在图片上进行标注和修改建议。
转机出现在四月——
「DeepSeek启动了图像识别功能的灰度测试」。
到了六月，该功能在网页端和App端正式上线。
随后这个图像模型却沉寂下来，长期保持内测状态。
近四个月时间转眼即逝，DeepSeek终于揭开了遮住眼睛的面纱。
行业趣闻
顺便一提，在多模态领域，国内模型圈最近还有另一桩趣事。
最近在X平台上有传言出现了一个「牛来」模型。
没错，就是那部在电影院火爆的《牛来》，让海外AI领域领教了什么才是真正的「抽象」。
热度之高，连OpenCode都为这款新模型推出了「一周免费」的活动。
虽然该模型还未正式宣布身份，但坊间最主流的猜测都指向了智谱。
没错，就是曾与DeepSeek一样没有「眼睛」的智谱。
